Question

我正在使用非结构化的纯文本文件。除了大量杂乱之外，该文件还包含通过空行与文本其余部分分开的文本块。

如何使用PHP提取超过100个单词的所有文本块？

Answer 1

取决于文件的大小或可能提供不同的方法。

最简单的方法是，如果你处理足够小的文件，在内存中处理它是一个可行的选择。然后你可以简单地使用正则表达式来分割所有文本块，然后遍历并获得大于100个单词的所有块。
我认为最安全的方法是打开文件并逐个获取一行，直到找到一个空行。如果该块中的总字数超过100，则存储该块。然后继续下一个区块。

以下是一个例子：

// Option 1
$contents = file_get_contents($filename);
$blocks = array();
// Split the contents by 2 line breaks in a row, plus any extra ones.
// i.e. 3 blank lines in a row will be treated the same as 1 blank line.
foreach(preg_split('/\n\n\n*/m', $contents) as $block) {
    if (str_word_count($block, 0) > 100)
        $blocks[] = $block;
}

// Option 2 - longer but does not store the contents in memory.
$blocks = array();

$fp = fopen($filename, 'r');

$block = '';
while($line = fgets($fp)) {
    if (!ctype_space($line)) { // depends on your meaning of an empty line
        $block .= $line;
    }
    elseif ($block != '') {
        if (str_word_count($block, 0) > 100)
            $blocks[] = $block;
        $block = '';
    }
}
if (str_word_count($block, 0) > 100)
    $blocks[] = $block;
$block = '';

Answer 2

使用像\n\n这样的正则表达式（用于两个换行符）。你可能最终得到这样的东西：

$text_split = preg_split('\n\n', $text);
$good_split = array()
foreach ($text_split as $k => $v) {
    if (strlen($v) >= 100) {
       array_push($good_split, $v);
    }
 }

祝你好运。查找正则表达式，您可能需要与现实中的\ n \ n不同的东西。

如何从纯文本文件中提取文本块？

2 个答案: